2025年物理AI行业深度分析：市场现状、发展展望、受益环节及相关公司深度梳理

一、行业概况

1、物理 AI：连接虚拟与现实的桥梁

在 2025 年的消费电子展上，英伟达首席执行官黄仁勋将物理 AI 誉为人工智能领域的下一个重大突破。物理 AI 的核心，在于促进人工智能与物理世界的高效互动。传统的机器学习（ML）和生成式人工智能（Gen AI）主要依赖于公开互联网上的数据进行训练，其输出成果以数字形式呈现，如文本、图像和声音，供人类使用。与之不同的是，物理 AI 能够直接从现实世界获取数据，例如通过传感器和物联网（IoT）设备，或者借助专门的文本、图像和声音训练内容。其输出结果则直接作用于物理世界，比如控制执行器或其他设备。因此，物理 AI 在机器人技术和自动化等领域的应用尤为突出，它能够收集和处理现实世界的数据，做出决策并付诸实践。

物理 AI 与传统机器人技术的根本区别在于交互方式。在传统机器人中，传感器将数据线性地传输至一个已编程的处理引擎，该引擎依据预设规则对数据进行处理，进而指挥机器人控制其输出设备和执行器。而在物理 AI 的框架下，处理引擎与多模态人工智能系统实现双向通信，不再局限于简单的规则应用。这意味着物理 AI 驱动的设备能够对变化的输入数据做出更迅速且更具适应性的反应。它能够运用推理、优先排序行动、改变处理路径，并且无需重新编程就能持续提升性能。因此，在应对复杂、变化和不可预测的情况时，物理 AI 展现出比传统机器人更为卓越的能力。 与所有人工智能一样，物理 AI 也必须被精心设计和训练，以精准地理解物理环境。目前，已有一些成熟的方法可供采用。基于模型的强化学习，通过实验让人工智能逐步构建对环境的理解，已在机器人技术领域得到广泛应用。仿真技术，如工厂或工厂的数字孪生，能够为人工智能提供环境模型，助力其更好地模拟和理解现实场景。物理信息方法通过将已知的物理定律融入人工智能模型，为其决策提供坚实的物理基础。其他方法还包括图神经网络，它在分析复杂的物理或生物系统（例如分子结构或天气模式）方面表现出色，以及符号人工智能，它依赖于明确的规则和逻辑，与机器学习形成鲜明对比。符号人工智能适用于特定任务必须执行的受限环境，以及用于施加基于规则的安全要求。

2、物理 AI：为何备受瞩目？

近年来，物理 AI 的崛起并非偶然，它得益于技术的持续演变和融合。生成式人工智能在基于庞大在线数据集生成数字内容方面表现出色，但其在与动态环境互动时，因缺乏现实世界的感官输入而显得力不从心。物理 AI 的出现，正是为了弥补这一缺陷。随着生成式人工智能在低级推理和信息检索方面不断进步，它与各类系统的融合日益紧密，逐渐发展成为如今的“代理人工智能”。代理人工智能能够将复杂问题拆解为多个步骤，自主获取数据、分析结果，并据此做出决策，最终将结果反馈给用户。这一能力极大地推动了人工智能在众多企业应用中的普及，包括研发领域。 与此同时，传感器和物联网技术不断升级，成本持续降低，计算能力也在稳步提升，仿真技术因此迎来了新的发展机遇。人们对复杂系统及其行为的理解和建模能力也有了显著提高。复杂性和不可预测性是许多现实世界应用的共性，无论是工业流程、商业管理、交通/旅行系统、自然系统还是人类网络，都面临着类似的挑战。在这种背景下，人工智能与机器人技术的融合成为必然趋势，它们携手应对越来越复杂和不可预测的任务。为了让人工智能在这些领域大展身手，它必须能够超越其被设计和训练的具体领域，具备推理和从经验中学习的能力。

在现实世界中，许多重要应用都需要处理多种数据模式。例如，医生在诊断患者病情时，需要综合考虑文本（病历）、语音（与患者的沟通）和视觉信号（可见症状）。即使是处理相对简单的客户投诉，代理也需要理解文本（客户记录）、识别语音，并敏锐捕捉关于客户情绪的其他可听和/或视觉信号。因此，人工智能的多模态能力，及其识别和处理多种数据模式的能力，对于其在物理世界中的有效运作至关重要。尽管当前的人工智能技术正朝着多模态方向发展，但即使是技术最先进的人工智能和机器人，其功能仍极为有限。这不仅与人类的能力相去甚远，与动物相比也显得捉襟见肘。例如，一只普通的家猫在规划和执行复杂、适应性强的动作方面，就能轻松超越任何现有的机器人。像 ChatGPT 这样的大型语言模型，其回答问题的方式是基于训练数据集中的统计模式，而非真正“理解”概念。它们缺乏对现实世界及其运行机制的真实感官信息和知识。计算机科学家扬·勒昆指出，若人工智能想在物理世界中有效运作，就必须将感官数据与文本、图像和声音相结合。他强调，一个四岁的孩子通过感官输入所吸收的数据量，远超当今最大的大型语言模型。反之，一个人若想读完用于训练大型语言模型的所有文本数据，将耗费近五十万年。由此可见，若人工智能想突破狭窄的、特定任务的功能限制，在日常的、推理密集型情境中真正增强人类能力，就必须以物理世界中的感官数据为基础。这正是物理 AI 备受瞩目的原因所在。

3、物理 AI 内涵：逐渐延展为具备传感、认知、推理、动作能力的一体化智能系统

物理 AI 指的是一种结合传感器、智能体、物理材料与环境感知的 AI 系统，能够感知、理解、预测并操作物理世界中的对象与行为。通过将 AI 大模型、物理引擎、多学科仿真等方法结合起来，物理AI 可以实现对现实世界高精度动态模拟预测优化，从而以 AI 赋能传统产业。物理 AI 的概念，最早起源于对具身智能的研究，即 AI 不只是“大脑”，还需“身体”与环境交互。此后，物理AI 的概念逐渐延展为具备传感、认知、推理、动作能力的一体化智能系统，并融入边缘计算、分布式系统、机器学习等现代AI机制。

（1）物理 AI VS 数字 AI

传统的数字 AI，主要指的是基于大数据、深度学习等算法，在纯数字空间中完成信息处理与智能决策的人工智能形态。它强调数据驱动模型训练，核心能力集中在语言理解、图像识别、知识推理等抽象认知上，依赖于云计算中心、高性能 GPU 进行集中计算，其典型应用包括搜索引擎、推荐系统、语音助手、文图生成大模型等，这类智能系统通常不直接感知或操作物理世界，缺乏与环境交互形成闭环的能力。相比之下，物理 AI 将软硬件结合，是能同时集成感知、认知、决策与物理执行能力的下一代智能系统。物理 AI 强调的是具身智能与实体行为，不仅仅依赖数据计算，还整合了材料科学、传感器技术、嵌入式系统、机械控制等多个学科能力。物理 AI 可通过视觉、触觉等多模态传感器对真实世界进行实时感知，并结合知识模型和本体推理对物理环境做出因果判断，最终驱动车辆、机械臂等执行系统进行实际动作，从而形成“感知–理解–执行”的闭环结构。 总的来说，数字 AI 是对信息世界的建模与处理，而物理 AI 则是让 AI 实实在在走入物理世界，具备执行力、实体交互能力和任务闭环反馈能力。它们代表了人工智能发展的两个阶段：一个是数字认知智能，另一个是融合行为智能的具身智能系统。随着机器人、自动驾驶、智能制造等场景快速落地，物理AI正成为推动 AI 应用从决策与感知走向行动的核心力量。

（2）物理 AI VS CAE

传统 CAE 作为工程分析的重要工具，依赖有限元分析、CFD、结构热力学耦合等物理建模与数值计算技术，对产品进行建模、仿真和验证。然而，其过程往往是静态的、失真的，依赖工程师经验设定边界条件与初始参数，且建模复杂、计算耗时。 物理 AI 的引入，使这些过程从“被动计算”迈向“主动学习与认知”，进而实现工程建模的智能化、自适应和闭环反馈。物理 AI 的引入，为传统 CAE 带来变革与进步，将其原有的分析体系“智能升级”。一方面，物理 AI 利用机器学习、深度学习等 AI 技术，对历史仿真数据、实验数据进行挖掘，实现参数预测、模型快速拟合、结果回归校正，大幅缩短建模周期，提高仿真精度；另一方面，结合传感器数据，物理 AI 能够与真实工程系统形成闭环，使仿真不再是脱离实体的预测工具，而成为实时决策与控制的一部分，支持系统自优化、自感知、自适应。随着 CAE 与物理 AI 的深度融合，也催生了如引入物理约束的神经网络模型、AI 辅助的多尺度建模等新兴方向，探索将物理规律与数据驱动建模有机结合，这正是物理 AI 应用于产业的生动实践。物理 AI 也可作为连接 CAE 与控制系统的中间层，构建出“认知+执行”的新型工程闭环系统。物理 AI 是 CAE 在 AI 时代背景下的认知型升级，它赋予工程系统更强的适应性、学习能力与决策能力，使传统工程仿真由工具向智能体演进。这种融合不仅拓宽了CAE 的应用边界，也预示着未来工程设计将从“人工驱动”向“智能共创”迈进。

（3）物理 AI VS 数字孪生

数字孪生是真实物理世界的一种数字映射，其本质是物理实体在虚拟空间的实时动态映射，通过传感器数据持续更新模型状态。通过监测、模拟、预测和优化物理实体的全生命周期行为，数字孪生可以实现复制现实情况并支持决策。 数字孪生为物理 AI 提供了可控、可重复、可扩展的训练与验证环境，在具身智能系统的开发中扮演“虚拟测试场”的核心角色。以英伟达 Omniverse 平台为例，它通过高保真还原现实场景（如智能仓储、自动化工厂、生产线车间），结合物理仿真引擎与传感器模拟，为机器人、自动驾驶系统等物理AI模型的训练提供高度逼真的环境。企业可以在虚拟空间中对路径规划、抓取动作、避障行为等进行上万次测试，形成鲁棒性更强的控制策略，避免高风险与高成本的实机调试。例如富士康借助该平台对人形机器人进行任务规划训练，在部署前完成策略验证与优化，有效降低了设备磨损与测试周期，为复杂物理行为系统的工程化落地建立起“先虚后实”的闭环流程。 物理 AI 的引入也在不断增强数字孪生本身的智能性。传统数字孪生虽然能同步现实世界状态，但在面对复杂物理系统时往往缺乏高质量预测能力。而将具备物理约束与因果推理能力的AI 模型嵌入其中，则可使数字孪生从“仿真”转向“推演”。例如在灾害预测场景中，AI 通过学习历史风场、地形数据与气象变量，并嵌入大气物理模型，可在数字孪生平台上实现对台风路径、降雨落点、风速分布的高精度预测，为气象调度与城市应急提供更具前瞻性的辅助决策。在能源、电网、建筑等领域，物理AI 也可在数字孪生中实现对设备老化、环境变化、系统扰动的智能识别与响应，使其从静态可视化模型跃升为动态智能化代理系统。

4、物理 AI 的核心特征体现在三个维度

多模态感知融合，依赖高精度传感器与执行器构建环境交互接口。通过摄像头、麦克风、激光雷达、力觉传感器等多类型设备获取视觉、听觉、触觉等环境数据，结合多模态大语言模型实现对物理场景的全面解析。例如，工业机器人通过视觉与力觉融合，可实时调整抓取姿态以适应物体表面变化。物理规律建模，将物理法则内化为算法核心。区别于传统硬编码规则，物理 AI 通过“物理优先”架构自主学习牛顿力学、流体动力学等规律，使模型在学习中遵循物理约束。如斯坦福大学“物理感知神经网络”在预测流体运动时，强制满足质量守恒、动量守恒方程，确保数据稀疏区域的预测合理性。虚实协同训练，依托数字孪生与仿真平台构建训练闭环。通过英伟达 Omniverse 等平台构建高精度虚拟环境，利用强化学习让智能体在模拟中试错并优化策略，再将技能迁移至现实场景，显著降低物理世界试错成本。

5、人形机器人是实现物理 AI 的重要工具

构建世界模型的基础，创造 AI 更大价值。大模型的价值在于其实际应用，赋能经济和社会的发展，改变现有生产模式，成为新一代生产力。从文字、图片、视频到多模态，生成式AI 已经从泛娱乐领域发展至实际生产中，其核心是建立符合物理规律的 AI 物理体世界。 目前 AI 与物理世界的结合有两种层次： 第一层是将物理 AI 模型集成在机器人、自动驾驶等自主机器中，帮助自主机器感知、理解并在现实世界中执行复杂的操作； 第二层是运用生成式 AI 能力，创造输出更多的数据（构成物理体、物理场等）供模型进行大量的训练，以提升模型能力。

（1）物理 AI 完成与现实世界的交互

现有大模型的能力局限。基于互联网上大量文本和图像数据训练生成式 AI 模型（GPT、Llama 等）在生成人类预言和抽象概念方面已经满足需求，但是受其生成规则的限制，对于物理世界的理解有限，因此会出现生成的图片中，不符合显示规律的“扭曲”。 物理 AI 能够理解三维世界的空间关系和物理行为，核心是数据+理解。通过 AI 训练过程中提供更多物理数据来实现，数据主要包含与现实世界的空间关系和物理规则有关的信息。现阶段CAE/CAD 以及其他工业端软件厂商具备一定数据积累。

物理 AI 实现的难点在于建立一个可靠的物理模拟环境。自主机器需要在准确的物理环境中进行训练，因此重点是对于物理世界的模拟，这可以提高机器人在执行复杂任务时的效率和准确性。此外，由于自主机器执行任务过程中，会受到外部人类或其他物体不可控的干扰（无法模拟所有场景），因此需要即时的符合规则的反馈。

（2）生成物理数据以供训练

通过合成数据生成缩小仿真与现实之间的差距。制造业、零售业的工厂及物流公司成长到一定规模，需要众多的设备及数字化平台支持，以提升准确率且降低成本。因此往往需要管理复杂的工作人员互动、以及先进复杂的设备，通过数字孪生平台，可以实现工作流程的预设，以及应对不同状况下设备的最优行动。 构建生成式 AI 赋能的合成数据管线，弥补数据问题。借助 NVIDIA NIM 微服务和Omniverse Replicator等工具，开发者能够加速创建可靠、多样化的数据集来训练物理 AI，这有助于增强VLM 等模型的适应能力和性能。 通过与英伟达之前的物理仿真平台 Omniverse 整合，Cosmos 可以实现物理仿真与AI 生成的融合，生成符合物理逻辑的“高质量数据”。“这就像给机器人创造了一个数字孪生的训练场，它们可以在虚拟世界中不断练习和改进，然后再把学到的技能应用到现实世界。” 实现对未来状态的生成，大大解决数据量的瓶颈。该模型经过 2000 万小时视频训练，其模型的逻辑是通过对于过去的视觉观测序列和当前的扰动，预测生成世界的物理状态。此前自动驾驶汽车可能需要行驶数百万英里才能遇到足够多的边缘场景，但在 Omniverse 中，通过 Cosmos 的能力，可以快速生成和验证场景以供训练。

完成机器人和智能驾驶的训练及优化。Cosmos 作为一个基础性的 AI 模型，能够通过多模态的模拟生成不同的结论和结果，实现对复杂物理世界的实时理解和互动，实现物理 AI 的核心需求。

目前英伟达已经建立一套相对完整的物理 AI 使用流程，软硬一体化方案解释Nvidia 的下一代“软核心”布局： 构建虚拟 3D 环境（Omniverse）：Omniverse 提供众多 API、SDK，开发者基于其他软件厂商的能力（包括 CAE、CAD 等），在平台上构建物理场景，并通过 RTX 渲染集成到仿真流程。生成和合成数据（Omniverse+Cosmos）：Omniverse 提供 Replicator SDK 构建自定义合成数据生成(SDG)工作流。Replicator 具有内置功能，例如域随机化，允许在 3D 仿真过程中更改许多物理参数。此外，还可以使用采用 ControlNet 的扩散模型来进一步增强生成的图像。

训练验证（DGX）：NVIDIA DGX 平台是一个全集成式硬件和软件 AI 平台，与基于物理的数据一起结合使用，通过 TensorFlow、PyTorch 等框架，以及 NVIDIA NGC 上提供的预训练计算机视觉模型来训练或调优 AI 模型。经过训练后，这些模型及其软件堆栈可使用 NVIDIA Isaac Sim 等参考应用进行仿真验证。部署（下一代机器人设备）：将经优化的堆栈部署到 NVIDIA Jetson Orin 以及即将推出的新一代Jetson Thor 机器人超级计算机上，为类人型机器人或工业自动化系统等物理自主机器赋能。

二、市场现状

1、头部海外厂商积极布局物理 AI

（1）英伟达的物理 AI 布局概览

近期，英伟达创始人兼 CEO 黄仁勋先后在拉斯维加斯 CES 展会、圣何塞英伟达GTC 大会、北京第三届链博会上发表演讲，阐述英伟达物理 AI 布局，并推出一系列新产品和技术。英伟达认为，物理AI 作为AI技术演进的第四波浪潮，标志着“通用机器人时代”的开端，英伟达正在通过硬件和软件生态加速这一进程。黄仁勋将 AI 的演进划分为四个阶段，即感知 AI、生成式 AI、代理式 AI、物理AI，并强调物理AI 将成为未来的技术拐点，赋能机器人产业。

英伟达发布 Cosmos 模型，全球首个世界基础模型，专为理解物理世界打造。想要把AI 嵌入物理世界中，需要建立一个理解现实世界规则的世界模型，比如重力、摩擦力、惯性这些物理动力学，还要理解几何与空间关系、因果关系。Cosmos 模型就这样应运而生，它是在 2000 万小时的视频数据上训练而成，这些视频聚焦动态物理事物，包含自然主题、人类行走、手部动作、操控物体，还有快速的相机运动，目的是教会 AI 理解物理世界，而非生成创意内容。同时，英伟达还宣布了 Cosmos 开源许可，在GitHub上线了小、中、大不同规模的模型，对应快速模型、主流模型，以及知识转移模型，赋能机器人和工业AI 领域。

英伟达将 Cosmos 与 Omniverse 融合，搭建物理 AI 时代的基座。Omniverse 是基于算法物理、原理物理、模拟构建的系统，将其与 Cosmos 相连，能为 Cosmos 生成内容提供基准事实，控制、调节生成结果。这样一来，Cosmos 成为了基于真实场景物理规律的多元宇宙生成器，为物理 AI 在机器人和工业领域的应用奠定了基础。基于 Cosmos 和 Omniverse 模型，英伟达定义了未来物理 AI 领域的全新生产方式，即Cosmos+Omniverse 组成的数字孪生、AI 训练侧、AI 部署侧这三者所构成的循环。

（2）Google 物理 AI 布局具身智能方向

谷歌正在积极推进其在物理 AI 领域的战略布局，致力于将通用人工智能从数字空间拓展至真实物理世界。2025 年 3 月 12 日，谷歌 DeepMind 发布了基于多模态通用大模型 Gemini2.0 构建的两类大模型：Gemini Robotics（VLA）和 Gemini Robotics-ER（VLM），构建了一套覆盖“感知-推理-控制-执行”的完整物理智能体系。 Gemini Robotics-ER（Embodied Reasoning）专注于机器人在物理环境中的空间与视觉推理能力，支持物体检测、指向、轨迹和抓取预测、多视角对应和 3D 辨识等功能。该模型可用于构建机器人感知层，将 Gemini 的多模态理解能力延伸至真实世界场景。Gemini Robotics 则将 Gemini Robotics-ER 的推理能力与底层动作控制结合，直接控制机器人完成复杂操作任务，如折纸、挂包、分类物品等。模型具备零样本和少样本学习能力，支持跨硬件平台泛化，执行自然语言指令时可自动生成控制代码或策略。通过上述模型，Google DeepMind 构建了从感知推理到动作执行、再到本地部署的完整战略，目标是实现通用、交互性强、具备精细操控能力的智能机器人系统。

2、国内物理 AI 产业链正在形成

国内物理 AI 产业链正以技术突破为支点，加速形成从底层感知到上层应用的全链路生态，这一进程既承载着工业软件国产替代的使命，更孕育着通过物理场与人工智能深度融合实现技术弯道超车的可能性。物理 AI 的核心在于将基础物理学原理与人工智能技术结合，通过仿真、感知等环节构建真实世界的数字镜像，从而解决复杂工程问题。产业链的成型需要上下游协同，相关人士提出的“仿真-感知-机器人”受益逻辑正揭示了这一生态的关键环节。 索辰科技推出的“天工·开物平台”正是这一理念的集中体现——该平台基于生成式物理AI 与实景渲染技术，实现了四维时空耦合下的多物理场设计、仿真与优化，不仅支持快速搭建真实场景并模拟物理场相互作用，更通过虚拟训练验证机器人、智能驾驶等场景的应用，为工业用户提供了“开发-部署”一体化的物理 AI 工具集。这种将计算物理与人工智能深度融合的能力，使其被业内视为对标英伟达Omniverse 的国产方案，标志着国内企业在物理 AI 基础平台领域已具备与国际巨头同台竞技的潜力。在感知层，奥比中光通过 RGB-D 相机 Femto Bolt 为 ReKep 系统提供 3D 视觉数据支撑，助力机器人动作优化与复杂交互，凸显了高精度感知设备对物理 AI 落地的必要性；在应用层，能科科技等工业数字孪生厂商则通过解决方案将物理 AI 与实际工业场景结合，推动技术从实验室走向生产一线。而索辰科技作为仿真层的核心玩家，不仅通过开物平台构建了物理 AI 的“操作系统”，更通过并购动作加速产业链整合——2024 年底收购宁波麦思捷 55%股权，补足动态环境感知与端云协同能力；2025年初筹划收购北京力控元通 51%股权，强化工业数据采集与存储能力，逐步构建起从“物理场感知-仿真建模-虚拟训练-决策闭环”的全链路闭环，为产业链的完善提供了关键拼图。 当前，全球工业仿真软件市场正经历变革，新思科技收购 ANSYS 的交易获批，预示着国际巨头通过整合重塑格局，这也为国内企业带来了挑战与机遇。正如索辰科技董事长陈灏所言，物理AI 是“划时代的技术”，即便处于 0 到 1 的阶段，其对客户的价值已远超预期。 随着低空经济、新能源等场景对高精度仿真与虚拟训练的需求爆发，物理 AI 作为行业基础设施的属性愈发明显，而国内企业凭借对本土行业需求的深刻理解，以及在物理场仿真数据积累上的优势，正迎来弯道超车的窗口期。

3、物理 AI 或改写具身智能及仿真底层技术

（1）索辰物理 AI 加持具身智能虚拟平台重构机器人训练

成本高昂：真实世界中，机器人每完成 1000 次动作调试，因硬件损耗等成本，需消耗数十万元，导致算法迭代缓慢，中小团队难以参与。 场景局限：真实世界能提供的训练场景不足机器人未来可能遇到的 1%，难以覆盖复杂情境。为突破此类困境，索辰科技基于自身全国领先水准的物理 AI 核心体系，结合多项计算物理引擎技术推出的索辰具身智能虚拟训练平台，能够打通真实世界与虚拟世界的数据壁垒。该训练平台基于索辰物理AI 技术，可实现真实场景环境与机身结构数据的实时生成与分析功能，实现“采集-训练-生成-评估”的完整链路，让机器人训练更经济、更高效、更真实、更简单。核心技术包括：基于物理信息的神经网络接触算法； 针对机器人结构的复杂接触运动实时数据生成； 超低延迟高吞吐动态数据流治理机制； 多模态智能电池热管理；

高效的算法迭代加速能力。通过物理 AI 核心体系与计算物理引擎的深度融合，虚拟训练过程中能够实时反馈动作效果、无需人为调整参数设置，使算法迭代速度较传统方式提升万倍量级。精准复刻物理世界的各项参数，从物体的材质、重力的影响到光线的变化，从外部气流变化到电磁干扰感知，从结构接触响应到电池能源管理，都与真实环境高度一致；将真实世界感知数据与虚拟世界训练数据链路无缝衔接，实现真正意义的虚实交融，避免因虚拟与现实差异过大而导致的训练成果失效问题。具体举例来看，模拟机械臂末端执行器（如柔性手指）以可控、渐进的方式挤压物体，为捕捉受压过程中材料的非线性响应与复杂形变，训练平台内置引擎将挤压过程划分为多个加载步（Loading Step），每步加载一个小幅位移，逐步逼近目标加载状态。整个训练过程显示出模型良好的收敛性能和数值稳定性。每一步中都对变形后的状态进行高精度建模与损失收敛训练，从而逐步逼近真实物理响应。

（2）索辰物理 AI 低空三维物理地图，赋能低空飞行器全场景视角

低空物理环境的复杂难测性与传统航空存在显著差异。相比平流层较为简单的气流和电磁环境，低空场域面临复杂的楼宇建筑、对流天气、通信信号环境。具体看，一方面，低空风场态势多变，湍流、阵风等易导致飞行器失稳，另一方面，电磁场分布密集，易对导航及控制系统形成干扰。此类大规模物理信息，若采用传统有限测点方案难以全面捕捉，一旦出现疏漏，便可能引发事故，造成人身与财产的安全损失。

索辰低空三维物理地图搭载自研物理 AI 引擎，一方面，可快速精准获取目标区域低空复杂风场状态，同步提供风速、压力等关键数据及海量气流信息，为低空飞行器巡航起降提供风险评估标准；另一方面，实现目标区域真实电磁场的全场生成，无需主动发射信号，即可在复杂电磁环境中精准定位、追踪合作与非合作目标，为低空飞行安全风险评估及规避方案提供依据，助力提升低空飞行安全性。核心技术包括： 多尺度傅里叶神经算子融合应用； 三阶段风场推理框架创新； 测点感知机制引入； 无源电磁感知定位技术； 物理 AI 模型动态预训练机制； 动态非合作目标定位与追踪模块。

索辰低空三维物理地图的优势包括： 全场物理信息实时生成。索辰低空三维物理地图能以秒级响应速率完成厘米级分辨率低空环境的生成与预测，相较传统数值模拟方法，计算性能实现数万倍提升，综合效率提高 99.8%。在风场信息获取层面能够实现上亿条风场信息数据的实时生成能力，全面突破传统物理测量点的数量限制，让低空风场环境的全面感知成为现实。 完全无源的精准感知与定位能力。针对低空复杂电磁环境，索辰低空三维物理地图采用完全无源的工作模式，不主动发射电磁信号，从根本上避免了对周边电磁环境的干扰，具备极高的环境友好性。同时，它成功突破了传统定位技术的局限——无需依赖目标主动发射信号即可实现无源目标定位，这一突破显著拓展了定位技术的应用边界，尤其在非合作目标监测等场景中展现出不可替代的价值。基于索辰自研物理 AI 开发套件，其空间分辨率最低可达厘米级别，单一场景风场数据检测密度均值突破数亿量级。经样本训练的物理 AI 模型，其风场信息生成速率控制在秒级尺度，成功达成超大规模风场数据的实时渲染与动态更新能力。

三、物理 AI 重构机器人训练范式底层革命

1、物理 AI 的本质：从数据到物理规律的智能跃迁

物理 AI 是人工智能与物理引擎深度融合的产物，其核心在于通过物理规律建模与生成式AI 结合，赋予机器人对现实世界的因果推理能力。与传统基于纯数据驱动的 AI 不同，物理AI 构建了一个物理一致性的虚拟世界，使机器人能够在模拟环境中学习真实世界的力学、碰撞、材料特性等物理规则，并通过强化学习（RL）优化行为策略。例如，英伟达 IsaacSim 通过 PhysX 引擎实现刚体动力学、关节连接和软体碰撞的高精度模拟，结合生成式 AI 生成的合成数据，使机器人在虚拟环境中完成零样本学习，显著降低对真实场景的依赖。在机电一体化和机器人 AI 基础模型的进步的推动下，通用型机器人技术已经问世，但关键瓶颈依然存在：机器人需要大量的训练数据来训练装配和检查等技能，而且手动演示不可扩展。NVIDIA Isaac GR00T-Dreams 蓝图基于 NVIDIA Cosmos 构建，只需一个图像和语言提示即可生成大量合成轨迹数据。借助 Cosmos 世界基础模型(WFMs)和生成式 AI，开发者可以快速为NVIDIA IsaacGR00TN1.5 等模型创建训练数据。

物理 AI 底层逻辑在于可微分物理引擎的应用。传统物理引擎是“黑盒”模拟，而可微分物理引擎将物理规律嵌入神经网络，支持反向传播和梯度优化。例如，上海交通大学团队通过可微分物理引擎训练无人机端到端避障策略，仅需 2 小时即可收敛，且在真实树林环境中以 20 米/秒的速度实现90%的避障成功率，远超传统强化学习方法。这种物理驱动的训练范式，使机器人能够从“感知-行动”的表面模仿，进化为对物理世界因果关系的深度理解。真正懂物理的网络比记忆万卷飞行日志的网络更可靠。

2、物理 AI 在机器人训练中核心优势：打破数据制约、泛化能力提升及更高效安全的闭环优化

数据生成的无限扩展。物理 AI 通过生成式 AI 构建“数据金字塔”：底层互联网数据提供基础语义，中层仿真数据填充物理规律，顶层真实数据校准误差。例如，英伟达 GR00T-Dreams Blueprint 仅需单张图像即可生成长达 1 分钟的 3D 动态世界，支持物理交互和反事实推理，使机器人在未见环境中仍保持31.4%的多任务成功率。这种数据生成能力彻底打破了传统机器人训练对真实场景的依赖，例如沃尔玛重庆试点中，机器人通过合成数据训练后，与顾客碰撞概率从 12 次/天降至 2 次/天，硬件损耗率下降42%。英伟达 Cosmos 世界基础模型(WFM)基于数百万小时的真实世界数据进行训练，以预测未来世界状态，并根据单个输入图像生成视频序列，使机器人和自动驾驶汽车能够预测即将发生的事件。这种预测能力对于合成数据生成流程至关重要，有助于快速创建多样化的高保真训练数据。该方法显著加速了机器人学习，增强了模型的鲁棒性，并将开发时间从几个月的手动工作缩短到仅仅几个小时。

泛化能力的指数级提升。物理 AI 训练的机器人具备跨场景迁移能力。英伟达IsaacGR00T N1.5 模型通过多模态大模型融合视觉、语言、触觉数据，使机器人在工业分拣、家庭服务等场景中实现“学一次，用百次”。这种泛化能力的突破，源于物理引擎对动态环境的实时响应——如跨维智能的Kingfisher双目视觉系统在光照变化、物体位置偏移时仍保持 89%的抓取成功率。此外英伟达DreamGen 是一种合成数据生成工作流，可解决为机器人学习收集大规模人类远程操作数据所需的高昂成本和高昂人工问题。它是 NVIDIA Isaac GR00T-Dreams 的基础，是使用世界基础模型生成大量合成机器人轨迹数据的蓝图。传统机器人基础模型需要针对每个新任务和环境进行大量的手动演示，而这些演示不可扩展。基于仿真的替代方案通常存在仿真与现实之间的差距，需要大量的人工设计。DreamGen 使用世界基础模型创建逼真的多样化训练数据，尽可能减少人工输入，支持可扩展的机器人学习，以及跨行为、环境和机器人具身的强大泛化。

安全高效的闭环优化。物理 AI 通过仿真优先（Sim-First）策略降低硬件损耗和实验风险。英伟达Isaac Sim 允许开发者在虚拟环境中测试危险场景（如机器人高速碰撞），并通过奖励函数设计引导安全行为。例如，天府绛溪实验室在零售场景中对高扭矩动作设定惩罚机制，使机器人关节损耗率下降42%，电机寿命延长至 3000 小时以上。同时，实时反馈闭环（如力传感器监测关节扭矩）实现策略的动态调整，使机器人在狭窄货架间的移动速度提升 15%，同时保持 98%的抓取精度。

3、英伟达全栈方案：从云端到边缘的物理AI 生态

英伟达构建训练-仿真-部署的完整技术栈，推动物理 AI 规模化落地。云端训练：从世界基础模型到合成数据工厂。Cosmos 平台整合世界基础模型（WFM）和生成式 AI，生成符合物理规律的3D 环境。人形机器人和自动驾驶汽车等新一代 AI 机器人依赖于高保真、物理感知的训练数据。如果没有多样化且具有代表性的数据集，这些系统将无法获得适当的训练，并且由于泛化性差、对现实世界变化的影响有限以及边缘案例中的行为不可预测，因此会面临测试风险。收集大量真实数据集进行训练成本高昂、耗时费力，而且往往受限于各种可能性。NVIDIA Cosmos 通过加速世界基础模型(WFM)开发可加快合成数据的生成，并作为后训练的基础，以开发下游领域或特定任务的物理 AI 模型。 Cosmos Transfer WFM 根据结构化输入生成高保真世界场景，确保精确的空间对齐和场景构成。通过采用 ControlNet 架构，Cosmos Transfer 可保留预训练知识，从而实现结构化、一致的输出。它利用时空控制图来动态对齐合成和真实世界的表示，从而实现对场景构图、对象位置和运动动力学的精细控制。借助生成式 AIAPI 和 SDK，NVIDIA Omniverse 可加速物理 AI 仿真。开发者使用基于OpenUSD 构建的NVIDIA Omniverse 创建 3D 场景，以准确模拟现实世界环境，从而训练和测试机器人和自动驾驶汽车。这些模拟可作为 Cosmos Transfer 的真值视频输入，并与标注和文本指令相结合。Cosmos Transfer可在改变环境、照明和视觉条件的同时增强逼真度，从而生成可扩展的多样化世界状态。

GR00T 模型家族：英伟达开源的 GR00TN1.5 模型支持自然语言指令和环境自适应，其更新版GR00TN1仅需 36 小时即可完成训练（传统方法人工收集数据需 3 个月），在工业物料分拣中任务成功率提升至85%。GR00TN1 是全球首个通用人形机器人开放基础模型，标志着机器人和 AI 领域的重大突破。GR00TN1 基于受人类认知启发而构建的双系统架构，统一了视觉、语言和动作，使机器人能够理解指令、感知环境，并执行复杂的多步骤任务。

DGX 超级计算机：提供 PFlops 级算力，支撑多模态大模型训练，例如特斯拉 Optimus 的单一神经网络同时处理家务和工业搬运任务。NVIDIADGX™超级计算机采用 256 个 GH200 芯片的集成设计，为生成式AI等高复杂度计算任务提供大规模算力支持。搭载 Blackwell 架构的 Grace Blackwell 超级芯片，通过NVLink 技术实现 CPU+GPU 内存一致性，FP4 精度下推理性能提升显著，支持物理AI 系统的实时决策（如自动驾驶路径规划）和机器人运动控制（如毫秒级机械臂响应）。第二代Transformer 引擎优化多专家模型（MoE），加速复杂动作序列的训练与推理，例如在机器人抓取任务中，通过DGXStation 可将模型迭代周期从数周缩短至小时级。此外结合 Cosmos 世界基础模型和 IsaacGR00T 合成数据生成库，DGX 可模拟真实物理环境，生成包含视觉、触觉、运动学的多模态训练数据，例如通过Omniverse 构建工厂数字孪生，加速机器人避障算法的泛化能力。机密计算技术（TEEI/O）确保机器人在工业场景中处理敏感数据（如医疗机器人患者信息）时的安全性。在边缘端，DGX 提供云协同与生态支持：从DGXSpark（桌面级 2000 亿参数模型本地运行）到 DGX SuperPOD（支持万亿参数模型分布式训练），DGX提供从原型开发到大规模部署的全流程算力支持。全栈软件套件（如 NeMo 框架、NIM 推理微服务）和NGC目录中的预训练模型（如 GR00T 机器人控制模型），进一步降低开发门槛，实现从仿真到边缘部署的无缝衔接。在安全性与可靠性方面：智能 RAS 技术通过 AI 预测硬件故障，减少停机时间；机密计算功能在加密模式下吞吐量接近未加密水平，保护机器人模型和传感器数据的完整性。例如，医疗机器人在处理患者影像时，可通过 TEE 确保数据隐私，同时保持实时分析效率。

英伟达仿真验证方案可以实现物理精度与实时交互的完美结合。机器人策略训练面临两大关键挑战：收集真实世界数据的高昂成本和“现实差距”，即仅在仿真中训练的策略通常无法在真实物理环境中表现良好。仿真与现实协同训练工作流通过将少量真实机器人演示与大量仿真数据相结合来解决这些问题。这种方法有助于训练可靠的策略，同时有效降低成本并弥合现实差距。IsaacSim5.0：基于Omniverse的开源仿真框架，支持刚体动力学、传感器仿真和多机协同。例如，Agility Robotics 通过IsaacSim优化 Digit 机器人的物流搬运路径，效率提升 30%。Isaac Lab：开源机器人学习框架，简化强化学习、演示学习等工作流。例如，德国博世集团采用 Isaac Lab 将新产品装配的示教时间从40 小时缩短至4小时。Sim2Real 迁移技术：通过域随机化（Domain Randomization）和视觉风格迁移，缩小虚拟与现实的差异。

英伟达边缘部署方案：从 Jetson 到机器人本体的算力下沉。NVIDIA Jetson™平台提供用于开发和部署AI 赋能机器人、无人机、IVA 应用和自主机器的工具，助力这场变革。在边缘生成式AI、NVIDIA Metropolis 和 Isaac™平台的支持下，Jetson 提供可扩展的软件、现代 AI 堆栈、灵活的微服务和API、生产就绪型 ROS 软件包以及特定于应用程序的 AI 工作流。NVIDIA JetsonOrin™系列包含7 个具有相同架构的模组，可提供每秒高达 275 万亿次运算(TOPS)的算力，软件堆栈包含预训练的AI 模型、参考AI工作流和垂直应用框架，可加速生成性 AI 的端到端开发，以及边缘 AI 和机器人应用。

英伟达人形机器人三台计算机解决方案。一台 NVIDIAAI 超级计算机—NVIDIA DGX™搭载NVIDIA H100或B100 处理器—用于训练强大的生成式 AI 模型和机器人基础模型。一台 NVIDIA OVX™计算机，搭载NVIDIA RTX™GPU，用于合成数据生成、机器学习和仿真测试以及基于 NVIDIA Omniverse™构建的仿真框架，如 NVIDIA Isaac Sim™and Isaac™ Lab。一台安装在机器人本体上的实时计算机，比如NVIDIAJetson Thor™—构建于 NVIDIA Blackwell 架构之上—可以运行低延迟和高吞吐量推理。

物理 AI 正在重塑机器人训练的底层逻辑：从依赖真实数据的“经验主义”，转向基于物理规律的“理性主义”。英伟达通过全栈技术方案，构建了从云端训练到边缘部署的完整生态，推动物理AI 从实验室走向工业、医疗、家庭等场景。未来，随着具身智能大模型与边缘计算的结合，机器人将逐步渗透至人类活动的各个领域，最终实现“像人类一样思考，比人类更高效执行”的终极目标。这场物理与智能的融合革命，不仅是技术的突破，更是人类与机器关系的重新定义——机器人不再是工具，而是理解物理世界、解决复杂问题的合作伙伴。 综上所述，物理 AI 有望迎来技术突破、场景落地与生态协同的三重驱动，充分受益机器人训练规模化应用的确定性机遇。国内相关公司如索辰科技“天工・开物”物理 AI 平台融合CAE 仿真与数字孪生技术，可将机器人动作优化周期从数周缩短至小时级，同时通过并购力控科技打通“感知-模拟-决策”闭环。

四、物理 AI 在各领域的进展

据英伟达官网介绍，物理 AI 正解锁将颠覆每个行业的新功能，包括机器人、自动驾驶汽车、智能空间等领域。例如，目前在机器人仿真领域已有英伟达 Issac、清华 DISCOVERSE 等不同的仿真平台，但存在仿真数据简单、底层物理规律与物体材质仿真困难等问题，如何解决物理规律问题是仿真领域即将面临的核心矛盾，相关人士认为从模型和数据角度，未来世界模型+多模态数据或是实现可交互仿真环境建设进而实现具身智能的物理可交互性的两条路径。 机器人：由于人形机器人(即通用型机器人)需要具备粗大和精细动作技能，这些技能要求它们能够感知、理解、导航以及与物理世界进行交互，无论被赋予何种任务。而借助物理AI，机器人在各种环境下的操作能力显著增强。例如，利用来自机载传感器的直接反馈，仓库中的自主移动机器人(AMR)可以在复杂环境中导航，并避开包括人类在内的障碍物；机械手可以根据传送带上物体的位姿调整他们的抓力和位置，展示根据物体类型量身定制的精细和粗大运动技能；通过学习复杂的任务(如穿针和执行缝合)，手术机器人也可从这种技术中受益，凸显了物理 AI 在训练机器人执行专业任务时的精确性和适应能力。外界认为，物理 AI 是机器人革命的基石。在该方面，英伟达也发布了通用的机器人基础模型 GR00TN1，同时与谷歌 DeepMind 以及迪士尼 Research 合作开发专为机器人学习设计的物理引擎 Newton。

从前置条件或发展方向看，为了令机器人或严格定义为人形机器人从一个遥控玩具和科研展品走向真正的商业、工业落地，成为一个具备独立思考能力能够准确理解世界、具备泛化性、能够使用运动技能与现实世界交互的物理 AI，后续的标准化与模型优化方向或值得重视：首先需要标准化，尤其是底层硬件、通信协议的标准化，然后在此基础上实现本体部分标准化，例如：在C 端场景定义通用的人形机器人构型；在 B 端场景定义少数几种适合大部分场景、任务的类人性或其余形态机器人构型。其次是上层系统的优化，主要是机器人模型闭环与交互能力构建。自动驾驶汽车：自动驾驶汽车可使用传感器感知并理解周围环境，以便在各种环境(从开放式高速公路到城市景观)中做出明智决策。通过基于物理 AI 对自动驾驶汽车进行训练，自动驾驶汽车能够更准确地检测行人，对交通或天气条件做出响应并自动变换车道，从而有效适应各种意外情况。随着自动驾驶从单一感知任务向感知-决策-执行的综合任务转化，自动驾驶不仅对于所收集数据的模态多样性与丰富度要求提升，对于模型本身的思考、理解能力要求也愈发提高。

外界认为自动驾驶是最具落地潜力的物理 AI 应用之一，正加速从实验室走向现实。在该方面，黄仁勋表示几乎每家自动驾驶公司都使用了大量 NVIDIA 的 GPU，例如：黄仁勋宣布将扩大与通用汽车的合作，通用汽车将运用英伟达的技术帮助开发自动驾驶汽车，用英伟达的技术训练AI 制造模型。同时，英伟达推出了专注于汽车安全的 AI 解决方案 Halos，从芯片级到系统级来确保行车安全。国内企业，例如小鹏智驾能力继续提升，720 亿参数规模世界基座模型初步验证成功，预计后续将全面赋能小鹏 AI 体系全图谱，成为小鹏 AI 汽车、机器人、飞行汽车等所有物理AI 终端通用模型，此外小鹏 G7 首发智驾“大脑+小脑”VLA-OL 模型，实现全端侧运行，标志着小鹏正式从“软件开发汽车”进入到“AI 开发汽车时代”。在不久的将来，不同企业自动驾驶的模型性能领先、功能领先或将转化为体验领先并重塑汽车行业产品生态，知识驱动范式的智能化模型也将重新定义自动驾驶，行业预计将迎来智能化“iphone4 时刻”并真正开启电动智能化下半场角逐。

智能空间：物理 AI 将增强大型室内空间（如工厂和仓库）的功能性和安全性。因为这些空间的日常活动涉及稳定的人流、车辆和机器人，如果使用固定摄像头和先进的计算机视觉模型，团队就可以通过跟踪这些空间内的多种实体和活动来加强动态路线规划并优化运营效率。此外，他们还可通过准确感知和理解复杂的大规模环境来优先考虑人身安全。该部分发展更应注重模型的泛化性，其所需求的数据除感知数据以外，更为关注本体与真实世界的物理交互数据（如力反馈、摩擦力数据等），且更多输出3D空间动作规划，所需数据的维度、复杂度更高。

五、受益环节及相关公司

1、受益环节分析

物理 AI 的产业链可以分为四个核心环节：算力平台、感知技术、执行硬件和系统集成与应用。

（1）算力平台：物理 AI 的“最强大脑”

物理 AI 需要实时处理大量来自传感器的数据，进行复杂的算法运算和模型训练，以实现对环境的感知、推理和决策，如自动驾驶汽车需在毫秒级时间内处理摄像头、雷达等传感器数据，计算行驶路径和避障策略，这就依赖于高性能的算力平台。

（2）感知技术：物理 AI 的“眼睛”和“耳朵”

它能实时解析物理环境，将物理世界中的各种信息，如视觉图像、声音、温度、压力等，转化为计算机可处理的数字信号，为后续的分析和决策提供数据基础。例如，机器人通过视觉传感器识别物体的形状、位置和颜色，通过力传感器感知抓取物体时的力度，从而实现精准操作；自动驾驶车辆利用激光雷达、摄像头等感知技术，实时获取道路状况、交通标志和其他车辆行人信息，以做出正确行驶决策。

（3）执行硬件：物理 AI 的 “手脚”

根据 AI 系统的决策指令，在环境中移动或互动，对物体进行操纵和改变，从而完成各种任务。常见的执行硬件有机器人臂、轮子、电机等，如工业机器人的机械臂可根据 AI 算法规划的路径，精准抓取和放置工件；服务机器人的轮子能使其在不同环境中移动，为用户提供服务；智能家电中的电机等执行部件，可在 AI 系统控制下调节工作状态，实现智能化运行。

（4）系统集成与应用：物理 AI 落地关键环节

将算力平台、感知技术和执行硬件等各个部分进行整合，使其成为一个有机整体，并根据不同的应用场景需求，开发相应的软件和算法，实现物理 AI 系统的功能优化和个性化定制。同时，系统集成与应用还负责将物理 AI 技术推广到各个行业领域，如智能制造、智能交通、医疗保健等，使其能够解决实际问题，创造商业价值和社会价值。 从算力平台到传感器、从执行硬件到应用场景，物理 AI 全产业链的崛起为相关企业注入了强劲动能。

2、相关公司布局

（1）索辰科技：“天工-开物”双擎驱动，物理 AI 打开第二增长曲线

技术储备扎实，成功从传统 CAE 向物理 AI 延伸。公司对收入口径进行了调整，产品大类分为天工及开物两大系列：天工系列聚焦盖流体、结构、电磁、声学、光学等多学科的工程仿真软件和仿真产品开发，开物系列涵盖了物理 AI 开发及应用平台的全场景解决方案。2025H1 公司天工系列共实现4947.51万元，其中工程仿真软件方面公司依托多年 CAE 技术积累，持续攻克关键技术难点：通过软件功能进行技术迭代，提升了算法求解能力，并基于自主内核升级求解器，丰富了物理模型算法库。2025H1 工程仿真软件实现收入 1682.26 万元，同比增加 88.84%，高毛利业务收入结构提升亦带动公司整体毛利率向上。2025H1，开物-工程仿真软件共实现收入 375.47 万元。开物系列物理 AI 通过模拟引擎、训练一体化平台，实现了复杂工况下的快速推演，可将研发设计阶段拓展至全生命周期，并通过深度融合数据驱动与物理规律，来探索实时级虚拟平行世界。

低空领域及具身智能先行先试，物理 AI 加速落地。公司物理 AI 产品围绕“虚拟训练”，重点聚焦低空三维物理地图、机器人虚拟训练平台等课题研发，目前已经分别与绍兴市越城区交通运输局和杭州市实业投资集团有限公司正式签署战略合作框架协议，联合推进低空物理 AI 平台建设，构建低空空域智能化管理体系。具身智能方面，足式机器人、工业并联机器人及机器人开发设计仿真验证系统持续研发，预计达到国内先进水平。 战略拓展持续进行，加速民用市场布局。公司已有国内多家行业领军企业/机构签署战略合作协议，包括科大讯飞、中国信通院等，推动向行业生态融合发展；公司积极寻找契合战略方向的并购公司，推进并购重组工作，以实现产业整合、资源优化配置和业务拓展的战略目标，目前正稳步推进与力控科技的并购重组事宜。公司持续加速民用市场布局，民用市场广阔空间有望为公司技术优势创造更多商业增量。

（2）赛意信息：合作逗号科技，实现供应链智能化

伴随“物理 AI”新浪潮，逗号科技的技术潜能凸显。其 C-LINK 智慧物流平台通过PI 实时数据流打通物流物理节点，借助 AI 智能决策为物理世界的货品移动提供最优化方案，尤其在黄仁勋强调“人机协作机器人团队”与“开源生态安全”的框架下，逗号科技已积累的 PI＋AI 核心技术优势显著。通过数字孪生提升物流决策能力。赛意信息通过逗号科技的先进物流 AI 决策能力，自身数字化集成供应链产品将充分融合逗号科技的物流算法规划能力，依托 Physical Internet 实时数据流打通物流节点，结合客观物理机理与规律，借助 AI 智能决策为供应链优化协同提供最优方案。积极开拓增量市场多维突破，自研产品表现优异。在宏观环境波动加大的背景下，公司在聚焦原有产品与业务稳定增长的同时，积极开拓增量市场，多维突破。区域维度：原有华南、华东等优势市场开始逐步恢复外，新开拓区域市场如北方国央企市场增长突出，2024 年公司来自国央企市场的订单同比增长超过 300%。产品维度：公司自主研发的工业软件产品矩阵加速市场渗透，全年受益国产信创政策支持的智能制造订单签订规模超过 1.38 亿元，驱动收入结构从传统服务向自研产品授权转型。行业维度：公司PCB 及半导体行业军团在行业市场拓展中实现显著突破，2024 年客户订单规模同比增长35%，其中公司通过自主研发的 PCB 行业大模型结合工业机理，利用多种 AI 技术在工程设计优化方面大幅提升客户工艺部门的作业效率，2024 年内在多家头部 PCB 上市企业形成商业化落地，2024 全年公司PCB 行业AI大模型订单突破 1300 万元，成功打通从技术研发到产业赋能的商业闭环。

泛 ERP、智能制造+AI，双轮驱动深化 AI 应用破局。公司围绕“生成式 AI+智能体+泛ERP”与“生成、判定式、决策式 AI+智能体+智能制造”双轮驱动，持续推动 AI 业务的发展。泛ERP 业务方面，公司将生成式 AI 与泛 ERP 系统深度融合，通过智能体嵌套的方式，实现了 AI 能力在企业核心业务流程中的无缝集成，已成功构建了智能售后、智能招聘、智能投标、智能填单、智能审单、智能运维等AI 创新业务场景。智能制造领域，公司围绕传统机理模型与生成、判定式、决策式 AI 的结合，提供了贯穿制造业研、产、供、销、服全价值链的多场景产品模块服务，帮助企业实现智能化运营和管理。目前公司的AI 布局覆盖企业级 AI 转型咨询、AI 模型训练算法服务、AI 中台建设、生产合规质检、泛ERP 经营分析数据智答、工业优化求解以及行业大模型建设等多个领域，并已在多个行业中落地较好的应用案例。

（3）智微智能：物理 AI 落地终端，机器人的“大脑”、“小脑”控制方案

公司是智联网硬件及解决方案提供商，与英伟达、英特尔具备长期合作关系，在机器人领域成为“软硬一体”控制解决方案。公司行业终端+ICT 基础设施+工业物联网三大传统板块，战略性布局智算业务。公司与英伟达长期合作，基于英伟达 Isaac SIM 开发机器人虚拟仿真系统，深度参与训练底层工具链。同时参与人形机器人控制方案的软硬一体产品，有望快速放量。

服务器、智算业务翻倍增长，PC、工业物联网等主业企稳。公司 2025H1 业绩实现持续增长，主要得益于 AI 新兴业务的强劲拉动和传统业务的稳健表现。分业务看：智算业务成为核心增长引擎，H1 实现收入 2.98 亿元，同比大幅增长 146.37%。控股子公司腾云智算表现亮眼，上半年实现净利润1.62 亿元，为上市公司贡献归母净利润约 0.83 亿元。受益于 AI 浪潮，公司智算业务需求旺盛，目前已与国内知名互联网大厂、金融客户、IDC 厂商及国企客户开展合作。主业方面，受益于 PC 行业回暖以及工业物联网业务盈利能力提升，上半年 PC 业务持续上量，工业物联网业务实现收入同比增长126.38%并实现了扭亏为盈。 紧抓 AI+国产化机遇，持续推动产品创新升级。公司 AI 算力服务能力持续强化：报告期内，子公司腾云智算发布腾云 HAT 云平台，通过灵活的计费模式和跨芯片、跨云的统一调度能力，有望降低客户算力使用门槛，拓展中小企业及个人等碎片化算力市场；推出系列 AI 推理服务器，包含面向专业创作的塔式服务器系列、适配 Qwen 等大模型的机架式系列、可用于端侧部署的边缘系列服务器。AI+终端方面：公司全面推出 AIOPS、AIPC、AI 边缘网关、AI 工控机等一系列 AI 终端产品；公司端侧产品已全面适配DeepSeek 等大模型，并积极拥抱开源鸿蒙生态，有望在 AIPC、信创及鸿蒙 PC 带来的换机潮中受益。此外，公司前瞻布局机器人业务：机器人控制器产品线基于 Intel、Nvidia、Rockchip 等核心芯片平台开发，可广泛应用于工业机器人、服务类机器人、人形机器人等多种应用场景。

（4）凌云光：“视觉+AI”驱动增长，积极布局下一代光通信解决方案

业务结构优化显成效，多领域突破驱动增长。面对市场竞争加剧的环境，公司加速业务结构优化，在多领域形成突破：消费电子领域营业收入 5.83 亿元，同比增长 49%，依托视觉+AI 技术重构质量控制体系，与行业头部客户深化合作；印刷领域营业收入 1.66 亿元，同比增长 18%，公司发布Vision Print8检测系统、加速产品标准化进程、加速出海节奏。新能源行业营业收入 4,692 万元，同比增长45%，公司推出锂电外观检测设备和锂电池极耳翻折检测装备，均已完成头部客户现场验证，并已于上半年批量供货；元客视界营业收入同比增长 28%，公司深度卡位人形机器人“采集-训练- 量产”全周期，已与行业TOP级机器人厂商建立了合作关系，并与苏州、北京、杭州等多地机器人数据采集/训练中心形成合作。盈利能力显著提升，增长动能持续释放。2025 年上半年，公司实现营业利润 9146.83 万元，同比增长28.1%，主要得益于：将技术优势升级为智能化能力突出的新品，显著提升产品竞争力，提升公司在多行业的市场占有率；并购 JAI 后的协同效应及海外战略拓展影响，境外收入实现1.65 亿元收入，同比增长 64%，海外战略持续推进实施；规模效应初步显现，费用增速低于收入增速。

海外战略成果显著，多行业驱动出海增长。2025 年上半年，公司海外战略拓 展成效显著，境外业务实现收入 1.65 亿元，同比增长 64%。通过并购 JAI 获得的协同效应加速落地，持续完善全球化渠道布局。公司已在新加坡、越南、马来西亚等地设立子公司，在消费电子、新能源、印刷等领域已与海外客户开展业务合作，后续将“视觉+AI”的优势产品和解决方案进一步拓展至欧洲、美国、日韩等高端市场，加速业务国际化。 持续加码“视觉+AI”研发，技术落地能力增强。公司持续在“视觉+AI”技术上进行高强度研发投入，不断精益求精提升研发实力，着力于建立可持续发展的技术及产品创新能力。2025 年上半年，公司研发投入合计 2.18 亿元，占营业收入比例为 16%，研发强度保持领先。中长期来看，智能制造与数字经济发展对“AI+视觉”的需求将会持续放大，公司在消费电子、新能源等多领域的技术落地能力及与JAI的协同优势，将加速机器视觉行业渗透率提升。

（5）工业富联：聚焦 AI 发展主线，公司技术与产能优势日益凸显

AI 算力竞赛持续，公司技术与产能优势日益凸显：公司 2025 年上半年，实现营业收3607.60 亿元(+35.58%YoY)，归母净利润 121.13 亿元( +38.61%YoY)，实现扣非归母净利润116.68 亿元(+36.73%YoY)。随着北美云服务商资本开支持续高速增长，AI 云基础设施投入将显著提升，带动高端AI 服务器需求激增。公司通过强化产业链协同韧性，进一步深化与北美、亚太顶尖科技企业的战略协作。2025年上半年公司整体毛利率和净利率分别是 6.60%（-0.13pctYoY）和 3.36%（+0.08pctYoY）。AI 服务器营收同比增长超 60%，GB200 出货量逐季攀升：云计算业务方面，公司产品结构持续优化，AI服务器占比稳步扩大。2025Q2，公司整体服务器营收增长超 50%，云服务商服务器营收同比增长超150%，AI 服务器营收同比增长超 60%。GB200 系列产品实现量产爬坡，良率持续改善，出货量逐季攀升。通信及移动网络设备方面，受惠于客户某些特定机种的热销，精密机构件业务上半年出货量同比增长17%，未来智能手机高阶化、AI 手机与折叠装置等将带来新增长动能。交换机业务方面，上半年800G 高速交换机营收较 2024 全年增长近三倍，公司高阶产品与市场份额不断提升，与客户合作研发的下一代产品也在进行当中，相关业务有望保持高速增长态势。

编辑：火腿肠